medigraphic.com
Colegio de Medicina Interna de México.

2024, Número 3

<< Anterior Siguiente >>

Med Int Mex 2024; 40 (3)


Validación de un modelo de inteligencia artificial para la predicción de la mortalidad del paciente con sepsis

Sierra JMA, Quintana BKP, Hernández GJA, Enríquez SLB, Pérez RMD, Arzate QC

Idioma: Español
Referencias bibliográficas: 11
Paginas: 171-178
Archivo PDF: 208.78 Kb.


RESUMEN

Objetivo: Validar un modelo de inteligencia artificial que pueda predecir el pronóstico de mortalidad del paciente hospitalizado con sepsis.
Materiales y Método: Estudio de cohorte ambispectivo observacional, en el que se analizaron expedientes electrónicos de pacientes adultos del Hospital Central del Estado de Chihuahua, México, de julio de 2018 a marzo de 2020 y de enero de 2021 a enero de 2022. Se analizaron tres modelos: redes neuronales, máquina de soporte de vectores y bosques aleatorios. Para la validación del modelo, el 80% de la muestra fue para adiestramiento y el 20% para la prueba. Del último grupo (20%) se implementó una validación cruzada de 10 pliegues para el cálculo de sensibilidad, especificidad, valor predictivo positivo y valor predictivo negativo.
Resultados: Se analizaron 353 expedientes, de los que solo se eligieron 218. El mejor modelo fue el de redes neuronales; sin embargo, su puntaje del área bajo la curva (AUC) apenas alcanzó 0.80; por debajo de este valor estuvieron el algoritmo de bosques aleatorios (AUC 0.667) y el de máquina de soporte de vectores (AUC 0.641). De los 3 modelos, solo se hizo la validación cruzada con el de redes neuronales, del 20% de los datos de prueba se implementaron 10 validaciones. Los puntajes del área bajo la curva obtenidos en cada pliegue fueron de 0.771 a 0.830.
Conclusiones: El modelo es bueno aun trabajando con pocos datos. Se pretende recolectar una mayor muestra para volver a adiestrar y validar el modelo con más datos y mejorar el aprendizaje y rendimiento para finalmente ser válido en pacientes.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Gyawali B, Ramakrishna K, Dhamoon AS. Sepsis: The evolutionin definition, pathophysiology, and management.SAGE Open Medicine 2019; 205031211983504. https://doi.org/10.1177/2050312119835043.

  2. Gorordo-Delsol LA. Sepsis: el enemigo oculto entre líneas.Rev Med Inst Mex Seg Soc 2017; 5 5(4): 423.

  3. Qingqing M, Jay M, Hoffman JL, Calvert J, Barton C, ShimabukuroD, Shieh L, et al. Multicentre validation of asepsis prediction algorithm using only vital sign data in theemergency department, general ward and ICU. BMJ Open2018; 1: e017833. doi: 10.1136/bmjopen-2017-017833.

  4. Hou N, Li M, He L, Xie B, Wang L, Zhang R, et al. Predicting30-days mortality for MIMIC-III patients with sepsis-3: a machinelearning approach using XGboost. J Transl Med. 2020;18: 462. https://doi.org/10.1186/s12967-020-02620-5.

  5. Wernly B, Mamandipoor B, Baldia P, Jung C, Osmani V.Machine learning predicts mortality in septic patients usingonly routinely available ABG variables: a multi-centre evaluation.Int J Med Inform 2021; 145: 104312. doi: 10.1016/j.ijmedinf.2020.104312.

  6. Kong G, Lin K, Hu Y. Using machine learning methodsto predict in-hospital mortality of sepsis patients in theICU. BMC Med Inform Decis Mak 2020; 20 (1): 251. doi:10.1186/s12911-020-01271-2.

  7. Kok C, Jahmunah V, Oh SL, Zhou X, Gururajan R, Tao X,et al. Automated prediction of sepsis using temporalconvolutional network. Comput Biol Med 2020; 127(103957): 103957. http://dx.doi.org/10.1016/j.compbiomed.2020.103957.

  8. De Alencar Saraiva JL, Becker OM, Silva E, KadirkamanatanV, et al. Sensitivity analysis–based sepsis prognosis usingartificial intelligence. Res Biomed Eng 2020; 36: 449-461.https://doi.org/10.1007/s42600-020-00083-7.

  9. Jaimes F, Farbiarz J, Alvarez D, Martínez C. Comparisonbetween logistic regression and neural networks to predictdeath in patients with suspected sepsis in the emergencyroom. Crit Care 2005; 9 (2): 150-6. doi: 10.1186/cc3054.

  10. Hasegawa D, Yamakawa K, Nishida K, Okada N, Murao S,Nishida O. Comparative analysis of three machine-learningtechniques and conventional techniques for predictingsepsis-induced coagulopathy progression. J Clin Med 2020;9 (7): 2113. https://doi.org/10.3390/jcm9072113.

  11. Rodríguez A, Mendoza D, Ascuntar J, Jaimes F. Supervisedclassification techniques for prediction of mortality in adultpatients with sepsis. Am J Emerg Med 2021; 45: 392-7. doi:10.1016/j.ajem.2020.09.013.




2020     |     www.medigraphic.com